Kvantinformationsforskare har introducerat en ny metod för maskinlärande klassificeringar i kvantberäkningar. De icke-linjära kvantkärnorna i en kvantbinär klassificerare ger nya insikter för att förbättra noggrannheten i kvantmaskininlärning, anses kunna överträffa den nuvarande AI-tekniken.

Forskargruppen ledd av professor June-Koo Kevin Rhee från School of Electrical Engineering, föreslog en kvantklassificerare baserad på kvanttillståndstrohet genom att använda ett annat initialtillstånd och ersätta Hadamard-klassificeringen med ett swaptest. Till skillnad från den konventionella metoden, denna metod förväntas avsevärt förbättra klassificeringsuppgifterna när träningsdatauppsättningen är liten, genom att utnyttja kvantfördelen med att hitta icke-linjära egenskaper i ett stort funktionsutrymme.

Kvantmaskininlärning lovar som en av de absolut nödvändiga tillämpningarna för kvantberäkning. I maskininlärning, ett grundläggande problem för ett brett spektrum av tillämpningar är klassificering, en uppgift som behövs för att känna igen mönster i märkt träningsdata för att tilldela en etikett till nya, tidigare osynliga data; och kärnmetoden har varit ett ovärderligt klassificeringsverktyg för att identifiera icke-linjära samband i komplexa data.

På senare tid, kärnmetoden har introducerats i kvantmaskininlärning med stor framgång. Förmågan hos kvantdatorer att effektivt komma åt och manipulera data i kvantfunktionsutrymmet kan öppna möjligheter för kvanttekniker för att förbättra olika befintliga maskininlärningsmetoder.

Idén med klassificeringsalgoritmen med en olinjär kärna är att givet ett kvanttesttillstånd, Protokollet beräknar den viktade effektsumman för kvantdatas tillförlitlighet i kvantparallell via en växlingstestkrets följt av två enkelkvantbitsmätningar (se figur 1). Detta kräver endast ett litet antal kvantdataoperationer oavsett storleken på data. Det nya med detta tillvägagångssätt ligger i det faktum att märkta träningsdata kan packas tätt i ett kvanttillstånd och sedan jämföras med testdata.

KAIST-teamet, i samarbete med forskare från University of KwaZulu-Natal (UKZN) i Sydafrika och Data Cybernetics i Tyskland, har ytterligare avancerat det snabbt växande området kvantmaskininlärning genom att introducera kvantklassificerare med skräddarsydda kvantkärnor.

Indata representeras antingen av klassiska data via en kvantfunktionskarta eller inre kvantdata, och klassificeringen är baserad på kärnfunktionen som mäter testdatas närhet till träningsdata.

Dr Daniel Park på KAIST, en av huvudförfattarna till denna forskning, sa att kvantkärnan kan skräddarsys systematiskt till en godtycklig kraftsumma, vilket gör den till en utmärkt kandidat för verkliga tillämpningar.

Professor Rhee sa att kvantgaffel, en teknik som uppfanns av teamet tidigare, gör det möjligt att starta protokollet från början, även när alla märkta träningsdata och testdata är oberoende kodade i separata qubits.

Professor Francesco Petruccione från UKZN förklarade, "Tillståndstroheten för två kvanttillstånd inkluderar de imaginära delarna av sannolikhetsamplituderna, som möjliggör användning av hela kvantfunktionsutrymmet."

För att visa användbarheten av klassificeringsprotokollet, Carsten Blank från Data Cybernetics implementerade klassificeraren och jämförde klassiska simuleringar med IBMs kvantdator på fem qubit som är fritt tillgänglig för offentliga användare via molntjänst. "Detta är ett lovande tecken på att fältet går framåt, " Blank noterade.